bilstm_crf中crf

首先如果我们想像一下，如果没有加crf,billstm能不能做序列标注，也可以。它其实就是转化为了一个多分类问题，但是加入了crf时，就加入了一个约束，效果会更准确。至于这个约束到底是什么？后文会提到。

围绕这两个问题来进行

1. 效果为什么会更好？
2. loss函数如何计算的？
   1. 线性crf又是什么？                

 问题1 看CRF的作用

以单词“中国”为例，它的真实标注应该是“B I",中国=“B I"，但是经过lstm之后，选用得分最高对应的标签，得到的是”B B",这是通过得分的得到的标签，但这与实际的逻辑不符合。

在BIO问题下，i-organizatio和i-person显然是错误的。而CRF层能够学习到句子的前后依赖，从而加入一些约束来保证最终预测结果有效。

如何做到的？

通过引入转移分数来进行纠错。而不仅仅是根据lstm层的输出发射分数 去得到它的label。

转移分数是什么？

它表示的就是从标签B-PERSON到标签I-PERSON B-Organization I-Orgainization O END 标签的得分。

引入之后，词x的score=emit score+transimition score ，从而达到了纠错的效果。

定性分析：到了这一步，似乎我们通过BiLSTM已经找到每个单词对应的最大标签类别，但实际上，直接选择该步骤最大概率的标签类别得到的结果并不理想。原因在于，尽管LSTM能够通过双向的设置学习到观测序列之间的依赖，但softmax层的输出是相互独立的，输出